脉冲神经网络与在线学习：综述与展望
神经与进化计算
2019-08-22 v1 人工智能
机器学习
摘要
以快速流形式产生海量数据的应用日益普遍，因此需要以在线方式进行学习。这些条件通常带来内存和处理时间的限制，并且往往演变为不断变化的环境，其中变化可能影响输入数据分布。这种变化导致基于这些流数据训练的预测模型变得过时，无法适应新的分布。特别是在这些非平稳场景中，迫切需要能够尽快适应这些变化、同时保持良好性能的新算法。不幸的是，大多数现成的分类模型如果在变化的环境中使用，就需要重新训练，并且无法适当扩展。脉冲神经网络（Spiking Neural Networks）已被证明是模拟大脑行为和学习潜力、并利用它们执行实际在线学习任务的最成功方法之一。此外，某些特定类型的脉冲神经网络可以克服漂移发生后需要重新训练的问题。本文旨在通过作为一篇全面综述来融合这两个领域，推动将脉冲神经网络用于在线学习场景的进一步发展，并为非专业人士提供一个友好的入门点。
引用
@article{arxiv.1908.08019,
title = {Spiking Neural Networks and Online Learning: An Overview and Perspectives},
author = {Jesus L. Lobo and Javier Del Ser and Albert Bifet and Nikola Kasabov},
journal= {arXiv preprint arXiv:1908.08019},
year = {2019}
}